目錄
第1章 Python數據分析與可視化概述
1.1 從MATLAB到Python
1.2 NumPy
1.3 Pandas
1.4 Matplotlib
1.5 SciPy與SymPy
第2章 新生數據分析與可視化
2.1 使用Pandas對數據預處理
2.2 使用Matplotlib庫畫圖
2.3 使用Pandas進行繪圖
第3章 Python表格處理分析
3.1 背景介紹
3.2 前期準備與基本操作
3.2.1 基本術語概念說明
3.2.2 安裝openpyxl並創建一個工作簿
3.2.3 從Excel工作簿中讀取數據
3.2.4 迭代訪問數據
3.2.5 插入數據
3.3 進階內容
3.3.1 為Excel表單添加公式
3.3.2 為表單添加條件格式
3.3.3 為Excel表單添加圖表
3.4 數據分析實例
3.4.1 背景與前期準備
3.4.2 使用openpyxl讀取數據並轉為DataFrame
3.4.3 繪製數值列直方圖
3.4.4 繪製相關性矩陣
3.4.5 繪製散布矩陣
3.4.6 將可視化結果插入Excel表格
第4章 美國加利福尼亞州房價預測的數據分析
4.1 數據的讀入和初步分析
4.1.1 數據讀入
4.1.2 分割測試集與訓練集
4.1.3 數據的初步分析
4.2 數據的預處理
4.2.1 拆分數據
4.2.2 空白值的填充
4.2.3 數據標準化
4.2.4 數據的流程化處理
4.3 模型的構建
4.3.1 查看不同模型的表現
4.3.2 選擇效果最好的模型進行預測
第5章 影評數據分析與電影推薦
5.1 明確目標與準備數據
5.2 工具選擇
5.3 初步分析
5.3.1 用戶角度分析
5.3.2 電影角度分析
5.4 電影推薦
第6章 醫療花費預測
6.1 數據讀取
6.2 數據預處理
6.2.1 字元串類型的轉換
6.2.2 數據的分佈和映射
6.3 數據分析
6.3.1 協方差矩陣和熱力圖
6.3.2 DBSCAN聚類演算法
6.3.3 支持向量機分類演算法
6.4 線性回歸
6.5 結果預測
6.6 結果分析
第7章 用戶消費行為分析
7.1 RFM模型簡介
7.2 數據讀入
7.3 數據清洗和預處理
7.3.1 數據清洗
7.3.2 數據預處理
7.4 RFM統計量計算
7.5 RFM歸類
7.6 結果保存
7.7 可視化結果
第8章 用戶流失預警
8.1 讀入數據
8.2 數據預處理和自變數標準化
8.3 五折交叉驗證
8.4 代入三種模型
8.5 調整prob閾值，輸出精度評估
第9章 在Kaggle上預測房價
9.1 讀取數據集
9.2 預處理數據集
9.3 訓練模型
9.4 k折交叉驗證
9.5 模型選擇和調整
9.6 在Kaggle上提交預測結果
第10章 世界盃
10.1 數據說明
10.2 世界盃觀眾
10.3 世界盃冠軍
10.4 世界盃參賽隊伍與比賽
10.5 世界盃進球
第11章 股價預測
11.1 使用Tsfresh進行升維和特徵工程
11.2 程序設計思路
11.3 程序設計步驟
11.3.1 讀人並分析數據
11.3.2 移窗
11.3.3 升維
11.3.4 方差過濾
11.3.5 使用AdaBoostRegressor模型進行回歸預測
11.3.6 預測結果分析
第12章 基於上下文感知的多模態交通推薦
12.1 案例目標
12.2 數據說明
12.2.1 查詢記錄
12.2.2 顯示記錄
12.2.3 點擊記錄
12.2.4 用戶記錄
12.3 解決方案
12.3.1 導入工具包和數據
12.3.2 特徵導入和數據處理
12.3.3 模型訓練與結果保存
第13章 美國波士頓房價預測
13.1 背景介紹
13.2 數據清洗
13.3 數據分析
13.4 分析結果
第14章 機器人最優路徑走迷宮
14.1 關鍵技術
14.1.1 馬爾可夫決策過程
14.1.2 Bellman方程
14.2 程序設計步驟
14.2.1 初始化迷宮地圖
14.2.2 計算不同位置的最優路徑
第15章 基於K-means演算法的鳶尾花數據聚類和可視化
15.1 數據及工具簡介
15.1.1 Iris數據集(鳶尾花數據集)
15.1.2 Tkinter
15.2 案例分析
15.2.1 模塊引入
15.2.2 布局圖形界面
15.2.3 讀取數據文件
15.2.4 聚類
15.2.5 聚類結果可視化
15.2.6 誤差分析及其可視化
15.2.7 使用流程
第16章 利用手機的購物評論分析手機特徵
16.1 數據準備
16.2 數據分析
16.2.1 模型介紹
16.2.2 演算法應用
16.2.3 名詞提取
16.2.4 情感分析
第17章 菜譜分析
17.1 數據集介紹
17.2 數據觀察
17.2.1 數據讀入
17.2.2 分佈統計
17.3 數據預處理
17.3.1 英文單詞標準化
17.3.2 數據向量化
17.4 模型構建
第18章 基於回歸問題和XGBoost模型的房價預測
18.1 XGBoost模型介紹
18.2 技術方案
18.2.1 數據分析
18.2.2 XGBoost模型參數
18.2.3 調參過程
18.3 完整代碼及結果展示
第19章 基於VGG19和TrensorBoard的圖像分類和數據可視化
19.1 背景概念介紹
19.1.1 VGGl 9模型
19.1.2 TensorBoard
19.1.3 CIFAR-10數據集
19.2 網路搭建與TensorBoard可視化實戰
19.2.1 網路搭建
19.2.2 準備數據並構建網路實例
19.2.3 TrensorBoard訓練過程可視化
第20章 基於Elasticsearch實現附近小區信息搜索
20.1 Elasticsearch的簡介與安裝
20.1.1 Elasticsearch的簡介
20.1.2 Elasticsearch的安裝
20.2 數據準備
20.2.1 網頁分析與信息提取
20.2.2 獲取經緯度
20.2.3 數據格式轉換
20.3 Python實現Elasticsearch基礎操作
20.3.1 創建索引和插入數據
20.3.2 查詢數據和數據類型
20.3.3 刪除相關操作
20.3.4 檢索功能
20.4 房價地理位置坐標搜索實現
第21章 汽車貸款違約的數據分析
21.1 數據樣本分析
21.1.1 數據樣本概i術
21.1.2 變數類型分析
21.1.3 Python代碼實踐
21.2 數據的預處理
21.2.1 目標變數探索
21.2.2 X變數初步探索
21.2.3 連續變數的缺失值處理
21.2.4 分類變數的缺失值處理
21.3 數據分析的模型建立與評估
21.3.1 數據的預處理與訓練集劃分
21.3.2 採用回歸模型進行數據分析
21.3.3 採用決策樹進行數據分析
21.3.4 採用隨機森林優化決策樹模型
第22章 基於spark的搜索引擎�
[